为了探讨基于高光谱图像技术快速、准确、稳定的大米产地确证方法,在吉林省不同水稻产区采集990个大米样本作为研究对象,利用高光谱成像系统获取400~1000nm波段范围的高光谱图像,提取10pixel×10pixel感兴趣区域内平均光谱反射信息作为样本数据。为了减少噪声等干扰信息的影响,采用标准正态变换(standard normal Z transformation,SNV)、卷积平滑(Savitzky-Golay,S-G)及多元散射校正(multiplicative scatter correction,MSC)三种光谱曲线预处理方法。利用多层感知机(Multi-Layer Perceptron,MLP)、在线序列极限学习机(Online Sequential Extreme Learning Machine,OS-ELM)、极限学习机(Extreme Learning Machine,ELM)三种非线性机器学习算法和偏最小二乘(Partial Least Squares Regression,PLS)算法,在对全波段的光谱数据进行自适应重加权(Competitive Adaptive Reweighted Sampling,CARS)、主成分分析(Principal Component Analysis,PCA)、多维尺度分析(Multdimensional Scaling,MDS)降维处理后的光谱数据基础上,分别建立产地确证模型,并从模型的分类准确率和训练时间进行比较和分析。研究结论如下:(1)基于全波段光谱数据建立的确证模型中,无论光谱曲线是否经过预处理,OS-ELM模型的准确率均高于ELM、MLP和PLS模型,预处理结果中MSC方法优于SNV与S-G方法,建立的MSC-OS-ELM模型的分类准确率(98.3%)最高,依次为MSC-ELM(89.6%)、MSC-MLP(88.4%)、MSC-PLS(79.5%);(2)经CARS降维处理后,共提取了15个特征波长,经MDS降维处理后,提取了13个特征波长,经PCA降维处理后,共提取了9个特征波长,将这些特征波长用于建立模型,对模型准确率分析可知,经MDS降维后的模型分类准确率最高,分类模型准确率依次为MDS-OS-ELM(97.4%)、MDS-ELM(88.5%)、MDS-MLP(87.1%)、MDS-PLS(78.3%)。四种模型的分类准确率相比较基于全波段高光谱数据建立的模型均有所下降,但输入变量减少了96.6%,在保证较高准确率的前提下,模型运行时间大幅减少。(3)模型训练效率的评估采取同等参数条件下,一次性输入500组数据和分5次输入累加到500组数据两种情况进行比较,第一种情况的训练时间依次为ELM(0.0301S)、OS-ELM(0.0303S)、MLP(246.5643S)、PLS(436.6958S),ELM与OS-ELM两者之间差距很小,均显著优于MLP和PLS模型。第二情况剔除了MLP与PLS模型,单独对比了ELM与OS-ELM模型的训练时间,发现ELM模型随着样本数据量的累加,训练时间呈线性趋势上升,而OS-ELM训练时间并无明显变化。因在产地确证应用中,实际情况通常是累次添加输入数据,故而OS-ELM算法更加适用于大米产地确证建模。研究结果表明,采用MDS降维方法能够有效提取大米特征光谱信息,高光谱成像技术结合OS-ELM算法对大米产地进行高效、准确、稳定的无损鉴别是可行的。